Cum afectează pragurile performanța

Setarea pragului la 0.4 arată rezultate promițătoare pentru evaluarea modelului. Acum poți estima impactul financiar folosind rata de recall pentru nerambursări, selectată din raportul de clasificare cu ajutorul funcției precision_recall_fscore_support().

Vei estima suma pierderilor neașteptate folosind rata de recall pentru nerambursări, pentru a determina ce proporție din nerambursări nu ai identificat cu noul prag. Rezultatul va fi o sumă în dolari care îți arată cât ai pierde dacă toate nerambursările nedetectate s-ar produce simultan.

Valoarea medie a unui împrumut, avg_loan_amnt, a fost calculată și este disponibilă în spațiul de lucru, împreună cu preds_df și y_test.

Acest exercițiu face parte din cursul

Modelarea Riscului de Credit în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Reatribuie valorile loan_status folosind pragul 0.4.
Stochează numărul de nerambursări din preds_df selectând a doua valoare din numărul de apariții și salvează-o ca num_defaults.
Extrage rata de recall pentru nerambursări din matricea de clasificare și stochează-o ca default_recall.
Estimează pierderea neașteptată pornind de la noua rată de recall pentru nerambursări, înmulțind 1 - default_recall cu valoarea medie a împrumutului și cu numărul de împrumuturi nerambursate.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Reassign the values of loan status based on the new threshold
____[____] = ____[____].____(lambda x: 1 if x > ____ else 0)

# Store the number of loan defaults from the prediction data
____ = preds_df[____].____()[1]

# Store the default recall from the classification report
____ = ____(____,preds_df[____])[1][1]

# Calculate the estimated impact of the new default recall rate
print(____ * ____ * (1 - ____))

Editează și rulează codul